本申请实施例涉及图像处理技术领域，具体涉及用于生成近红外图像的方法和装置。
背景技术：
近红外人脸识别是为了解决人脸识别中的光照问题而提出的一种解决方案。近红外人脸识别包括两部分：主动近红外人脸成像设备和相应的光照无关人脸识别算法。具体方法为：使用强度高于环境光线的主动近红外光源成像，配合相应波段的光学滤片，得到环境光线无关的人脸图像。得到的人脸图像只会随着人与摄像头的距离变化而单调变化。
技术实现要素：
本申请实施例提出了用于生成近红外图像的方法和装置。
第一方面，本申请实施例提供了一种用于生成近红外图像的方法，该方法包括：获取包含目标对象的可见光图像；将可见光图像输入至预先训练的近红外图像生成模型，得到包含目标对象的近红外图像，其中，近红外图像生成模型用于表征包含目标对象的可见光图像和包含目标对象的近红外图像之间的对应关系。
在一些实施例中，近红外图像生成模型通过以下步骤训练得到：获取多个包含目标对象的可见光图像和多个包含目标对象的近红外图像；获取预先建立的生成对抗网络，其中，生成对抗网络包括生成网络和判别网络，生成网络用于表征包含目标对象的可见光图像和包含目标对象的近红外图像之间的对应关系，判别网络用于确定所输入的图像是生成的近红外图像还是真实的近红外图像；基于多个包含目标对象的可见光图像和多个包含目标对象的近红外图像，利用机器学习方法，对生成网络和判别网络进行训练，将训练后的生成网络确定为近红外图像生成模型。
在一些实施例中，基于多个包含目标对象的可见光图像和多个包含目标对象的近红外图像，利用机器学习方法，对生成网络和判别网络进行训练，将训练后的生成网络确定为近红外图像生成模型，包括：对于多个包含目标对象的可见光图像中的包含目标对象的可见光图像，固定生成网络的参数，将该包含目标对象的可见光图像作为生成网络的输入，将生成网络输出的图像作为判别网络的输入，得到与该包含目标对象的可见光图像对应的判别结果；基于所得到的判别结果与负样本标识之间的差异，利用机器学习方法对判别网络进行训练，其中，负样本标识用于表征判别网络的输入图像为生成的近红外图像。
在一些实施例中，基于多个包含目标对象的可见光图像和多个包含目标对象的近红外图像，利用机器学习方法，对生成网络和判别网络进行训练，将训练后的生成网络确定为近红外图像生成模型，还包括：对于多个包含目标对象的近红外图像中的包含目标对象的近红外图像，将该包含目标对象的近红外图像作为判别网络的输入，得到与该包含目标对象的近红外图像对应的判别结果；基于所得到的判别结果和正样本标识之间的差异，利用机器学习方法对判别网络进行训练，其中，正样本标识用于表征判别网络的输入图像为真实的近红外图像。
在一些实施例中，基于多个包含目标对象的可见光图像和多个包含目标对象的近红外图像，利用机器学习方法，对生成网络和判别网络进行训练，将训练后的生成网络确定为近红外图像生成模型，还包括：获取预先建立的初始分类模型，其中，初始分类模型用于对输入的近红外图像进行分类；对于多个包含目标对象的可见光图像中的包含目标对象的可见光图像，将该包含目标对象的可见光图像输入生成网络，将生成网络输出的图像输入初始分类模型，得到该包含目标对象的可见光图像对应的分类结果；基于所得到的分类结果与类别标注之间的差异，对生成网络和初始分类模型进行训练，其中，类别标注用于表征该包含目标对象的可见光图像中的目标对象的类别。
第二方面，本申请实施例提供了一种用于生成近红外图像的装置，该装置包括：获取单元，配置用于获取包含目标对象的可见光图像；近红外图像生成单元，配置用于将可见光图像输入至预先训练的近红外图像生成模型，得到包含目标对象的近红外图像，其中，近红外图像生成模型用于表征包含目标对象的可见光图像和包含目标对象的近红外图像之间的对应关系。
在一些实施例中，近红外图像生成模型通过以下步骤训练得到：获取多个包含目标对象的可见光图像和多个包含目标对象的近红外图像；获取预先建立的生成对抗网络，其中，生成对抗网络包括生成网络和判别网络，生成网络用于表征包含目标对象的可见光图像和包含目标对象的近红外图像之间的对应关系，判别网络用于确定所输入的图像是生成的近红外图像还是真实的近红外图像；基于多个包含目标对象的可见光图像和多个包含目标对象的近红外图像，利用机器学习方法，对生成网络和判别网络进行训练，将训练后的生成网络确定为近红外图像生成模型。
在一些实施例中，基于多个包含目标对象的可见光图像和多个包含目标对象的近红外图像，利用机器学习方法，对生成网络和判别网络进行训练，将训练后的生成网络确定为近红外图像生成模型，包括：对于多个包含目标对象的可见光图像中的包含目标对象的可见光图像，固定生成网络的参数，将该包含目标对象的可见光图像作为生成网络的输入，将生成网络输出的图像作为判别网络的输入，得到与该包含目标对象的可见光图像对应的判别结果；基于所得到的判别结果与负样本标识之间的差异，利用机器学习方法对判别网络进行训练，其中，负样本标识用于表征判别网络的输入图像为生成的近红外图像。
在一些实施例中，基于多个包含目标对象的可见光图像和多个包含目标对象的近红外图像，利用机器学习方法，对生成网络和判别网络进行训练，将训练后的生成网络确定为近红外图像生成模型，还包括：对于多个包含目标对象的近红外图像中的包含目标对象的近红外图像，将该包含目标对象的近红外图像作为判别网络的输入，得到与该包含目标对象的近红外图像对应的判别结果；基于所得到的判别结果和正样本标识之间的差异，利用机器学习方法对判别网络进行训练，其中，正样本标识用于表征判别网络的输入图像为真实的近红外图像。
在一些实施例中，基于多个包含目标对象的可见光图像和多个包含目标对象的近红外图像，利用机器学习方法，对生成网络和判别网络进行训练，将训练后的生成网络确定为近红外图像生成模型，还包括：获取预先建立的初始分类模型，其中，初始分类模型用于对输入的近红外图像进行分类；对于多个包含目标对象的可见光图像中的包含目标对象的可见光图像，将该包含目标对象的可见光图像输入生成网络，将生成网络输出的图像输入初始分类模型，得到该包含目标对象的可见光图像对应的分类结果；基于所得到的分类结果与类别标注之间的差异，对生成网络和初始分类模型进行训练，其中，类别标注用于表征包含目标对象的可见光图像中的目标对象的类别。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，上述程序被处理器执行时实现如第二方面中任一实现方式描述的方法。
本申请实施例提供的用于生成近红外图像的方法和装置，首先，获取包含目标对象的可见光图像；之后，将可见光图像输入至预先训练的近红外图像生成模型，得到包含目标对象的近红外图像。通过此过程，实现将包含目标对象的可见光图像转化成包含目标对象的近红外图像。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的用于生成近红外图像的方法的一个实施例的流程图；
图3a和图3b是根据本申请的用于生成近红外图像的方法的一个实施例的应用场景图；
图4是根据本申请的用于生成近红外图像的方法的又一个实施例的流程图；
图5是根据本申请的用于生成近红外图像的装置的一个实施例的结构示意图；
图6适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请实施例的用于生成近红外图像的方法或用于生成近红外图像的装置的示例性系统架构100。
如图1所示，系统架构100可以包括终端101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103通过网络104与服务器105交互，例如将拍摄的图像发送至服务器。终端设备101、102、103上可以安装有各类拍照应用、图片处理应用等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有摄像头并能够拍摄图像的设备，包括但不限于：照相机、具备拍照功能的手机、具备拍照功能的平板电脑、具备拍照功能的便携计算机等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供拍照服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103发送的图像进行处理的图像处理服务器。图像处理服务器可以对接收到的可见光图像进行处理，生成对应的近红外图像。
需要说明的是，本申请实施例所提供的用于生成近红外图像的方法可以由服务器105执行，也可以由终端设备执行。相应地，用于生成近红外图像的装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。当包含目标对象的可见光图片存储于服务器本地时，也可以不设终端设备和网络。
继续参考图2，示出了根据本申请的用于生成近红外图像的方法的一个实施例的流程200。该用于生成近红外图像的方法，包括以下步骤：
步骤201，获取包含目标对象的可见光图像。
在本实施例中，用于生成近红外图像的方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式从终端接收包含目标对象的可见光图像。另外，包含目标对象的可见光图像也可存储于执行主体本地。此时，上述执行主体也可以从本地直接获取包含目标对象的可见光图像。其中，目标对象可以是各类对象，包括但不限于：动物、植物、人物、建筑物等。目标对象的确认可以由技术人员指定，也可以由上述执行主体根据预设条件进行筛选。可见光可以是人眼可以感知的电磁波。可见光的波长没有精确的范围。一般人的眼睛可以感知的电磁波的波长在400nm～760nm范围内。由于目标对象发出或反射可见光所形成的图像即为可见光图像。可见光图像一般也可以被人眼感知。作为示例，上述包含目标对象的可见光图像可以是包含人脸的rgb图像。rgb图像可以是通过对红(r)、绿(g)、蓝(b)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的图像。rgb即是代表红、绿、蓝三个通道的颜色。
步骤202，将上述可见光图像输入至预先训练的近红外图像生成模型，得到包含目标对象的近红外图像。
在本实施例中，上述执行主体可以将可见光图像输入至预先训练的近红外图像生成模型，得到包含目标对象的近红外图像，其中，近红外图像生成模型用于表征包含目标对象的可见光图像和包含目标对象的近红外图像之间的对应关系。其中，近红外图像可以是利用主动近红外成像设备得到的图像。具体方法可以为：使用强度高于环境光线的主动近红外光源，配合相应波段的光学滤片，得到环境光线无关的近红外图像。
作为示例，上述近红外图像生成模型可以是预先利用机器学习方法，基于多个训练样本对于图像处理的模型(例如，卷积神经网络(convolutionalneuralnetwork，cnn))进行训练后所得到的模型。上述卷积神经网络可以包括卷积层、池化层、反池化层和反卷积层。其中，卷积层可以用于提取图像特征，池化层可以用于对输入的信息进行降采样(downsample)，反池化层可以用于对输入的信息进行上采样(upsample)，反卷积层用于对输入的信息进行反卷积，将卷积层的卷积核的转置作为反卷积层的卷积核对所输入的信息进行处理。反卷积是卷积的逆运算，实现了信号的复原。上述卷积神经网络的最后一层反卷积层可以输出包含目标对象的近红外图像。实践中，可以利用各种方式(例如有监督训练、无监督训练等方式)训练上述卷积神经网络得到近红外图像生成模型。作为示例，上述多个训练样本可以是多个包含目标对象的可见光图像，也可以是多个包含目标对象的的近红外图像，还可以是多个包含目标对象的可见光图像和多个包含目标对象的近红外图像。作为示例，上述多个训练样本可以是多个包含目标对象的可见光图像和多个可见光图像中的每个可见光图像所对应的近红外图像。
作为示例，上述近红外图像生成模型可以通过如下步骤训练得到：
第一步，获取多个包含目标对象的可见光图像和多个可见光图像中的每个可见光图像所对应的近红外图像。其中，对应的可见光图像与近红外图像可以是采取同样的拍摄角度和距离，对于同一目标对象同时拍摄而得到的可见光图像和近红外图像。
第二步，将多个可见光图像中的每个可见光图像作为卷积神经网络的输入，将多个可见光图像中的每个可见光图像所对应的近红外图像作为卷积神经网络的期望输出；基于卷积神经网络的输出与期望输出的差异，利用机器学习方法训练卷积神经网络，得到近红外图像生成模型。实践中，可以通过预设的损失函数训练得到近红外图像生成模型。损失函数的值可以用于表征上述卷积神经网络输出的图像与对应的近红外图像的差异程度。作为示例，上述损失函数可以使用欧氏距离函数、hinge函数等。hinge函数是机器学习中常用的损失函数。在训练过程中，损失函数可以约束卷积核修改的方式和方向，训练的目标为使损失函数的值最小。因而，训练后得到的卷积神经网络中各个卷积核的参数即为损失函数的值为最小值时所对应的参数。
实践中，可以通过反向传播算法训练卷积神经网络，将训练后的卷积神经网络确定为近红外图像生成模型。实践中，反向传播算法也可称为误差反向传播算法、误差逆传播算法或后向传导算法。反向传播算法是由学习过程由信号的正向传播与误差的反向传播两个过程组成。在前馈网络中，输入信号经输入层输入，通过隐层计算由输出层输出，输出值与标记值比较，若有误差，将误差反向由输出层向输入层传播，在这个过程中，可以利用梯度下降算法对神经元权值(例如卷积层中卷积核的参数等)进行调整。此处，上述损失函数即可用于表征输出值与标记值的误差。需要说明的是，上述反向传播算法是目前广泛研究和应用的公知技术，在此不再赘述。
继续参见图3a和3b，图3a和3b是根据本实施例的用于生成近红外图像的方法的应用场景的一个示意图。在图3a和3b的应用场景中，上述执行主体为服务器。服务器首先获取存储于本地的、包含人脸的可见光图像3a。之后，服务器将可见光图像3a输入至有监督训练后的卷积神经网络，得到包含人脸的近红外图像3b。
本申请的上述实施例提供的方法，通过将包含目标对象的可见光图像输入至预先训练的近红外图像生成模型，得到包含目标对象的近红外图像。实现了将可见光图像转化为近红外图像。
进一步参考图4，其示出了根据本申请的用于生成近红外图像的方法的又一个实施例的流程400。该流程400，包括以下步骤：
步骤401，获取包含目标对象的可见光图像。
在本实施例中，用于生成近红外图像的方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式从终端接收包含目标对象的可见光图像。另外，包含目标对象的可见光图像也可存储于执行主体本地。此时，上述执行主体可以从本地直接获取包含目标对象的可见光图像。该步骤的具体实现可以参考上述实施例中的步骤201，在此不再赘述。
步骤402，将可见光图像输入训练生成对抗网络中的生成网络而得到的近红外图像生成模型，得到包含目标对象的近红外图像。
本实施例中，可以通过各种训练方法对生成对抗网络中的生成网络进行训练得到近红外图像生成模型。
在本实施例的一些可选的实现方式中，上述训练生成对抗网络中的生成网络而得到的近红外图像生成模型可以通过如下步骤训练得到：
第一步，获取多个包含目标对象的可见光图像和多个包含目标对象的近红外图像。
第二步，获取预先建立的生成对抗网络(generativeadversarialnets，gan)。其中，生成对抗网络包括生成网络和判别网络，生成网络用于表征包含目标对象的可见光图像和包含目标对象的近红外图像之间的对应关系，判别网络用于确定所输入的图像是生成的近红外图像还是真实的近红外图像。作为示例，上述生成对抗网络可以是深度卷积生成对抗网络(deepconvolutionalgenerativeadversarialnetwork，dcgan)。
第三步，基于多个包含目标对象的可见光图像和多个包含目标对象的近红外图像，利用机器学习方法，对生成网络和判别网络进行训练，将训练后的生成网络确定为近红外图像生成模型。
需要说明的是，上述生成网络可以是用于进行图像处理的卷积神经网络(例如包含卷积层、池化层、反池化层、反卷积层的各种卷积神经网络结构，可以依次进行降采样和上采样)；上述判别网络可以是卷积神经网络(例如包含全连接层的各种卷积神经网络结构，其中，上述全连接层可以实现分类功能)。此外，上述判别网络也可以是可以用于实现分类功能的其他模型结构，例如，支持向量机(supportvectormachine，svm)。作为示例，判别网络若判定输入的图像是生成的近红外图像，则可以输出1；若判定输入的图像是真实近红外图像，则可以输出0。需要说明的是，判别网络也可以基于预先设定输出其他数值，不限于1和0。当然，判别网络也可以输出用于表征所输入的图像是真实近红外图像的概率值。
作为示例，上述第三步的具体步骤可以为：首先固定生成网络和判别网络中的任一网络(可称为第一网络)的参数，对未固定参数的网络(可称为第二网络)进行优化；再固定第二网络的参数，对第一网络进行改进。不断进行上述迭代，使判别网络无法区分输入的图像是否是生成网络所生成的，直至最终收敛。此时，上述生成网络所生成的图像与第二图像接近，上述判别网络无法准确区分真实数据和生成数据(即准确率为50％)，可以将此时的生成网络确定为近红外图像生成模型。
在本实施例的一些可选的实现方式中，上述第三步可以包括：固定生成网络的参数，将包含目标对象的可见光图像作为生成网络的输入，将生成网络输出的图像作为判别网络的输入，得到与该包含目标对象的可见光图像对应的判别结果；基于所得到的判别结果与负样本标识之间的差异，利用机器学习方法对判别网络进行训练，其中，负样本标识用于表征判别网络的输入图像为生成的近红外图像。
在本实施例的一些可选的实现方式中，上述第三步也可以包括：对于多个包含目标对象的近红外图像中的包含目标对象的近红外图像，将该包含目标对象的近红外图像作为判别网络的输入，得到与该包含目标对象的近红外图像对应的判别结果；基于所得到的判别结果和正样本标识之间的差异，利用机器学习方法对判别网络进行训练，其中，正样本标识用于表征判别网络的输入图像为真实的近红外图像。
作为示例，负样本标识可以为0，正样本标识可以为1。负样本标识和正样本标识也可以基于预先设定输出其他数值，不限于1和0。
在本实施例的一些可选的实现方式中，上述第三步还可以包括：
首先，获取预先建立的初始分类模型，其中，初始分类模型用于对输入的近红外图像进行分类。初始分类模型可以是能够实现分类的各种模型。作为示例，初始分类模型可以是残差网络(deepresidualnetwork，resnet)。作为示例，初始分类模型可以是vgg。vgg是某大学的视觉几何小组(visualgeometrygroup，vgg)提出的分类模型。
其次，对于多个包含目标对象的可见光图像中的包含目标对象的可见光图像，将该包含目标对象的可见光图像输入生成网络，将生成网络输出的图像输入初始分类模型，得到该包含目标对象的可见光图像对应的分类结果；基于所得到的分类结果与类别标注之间的差异，对生成网络和初始分类模型进行训练，其中，类别标注用于表征该包含目标对象的可见光图像中的目标对象的类别。作为示例，可以将同一个人的图像可以归为一个类别，类别标注可以是类别编号。其中，可见光图像中的人脸与近红外图像中的人脸可以不同。
具体的，生成网络的损失函数可以包括两部分，一部分为初始分类模型的损失函数(例如交叉熵损失)，另一部分为判别网络的损失函数。基于生成网络的损失函数，作为示例，可以利用反向传播算法将损失反向传入，训练生成网络和初始分类模型。实践中，反向传播算法是目前广泛研究和应用的公知技术，在此不再赘述。
在此过程中，将可将光图像输入生成网络，判别网络约束生成图像为真实的近红外图像。分类模型约束生成图像的分类结果与输入的可见光图像中包含的目标对象对应的类别相同。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于生成近红外图像的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的网页生成装置500包括：获取单元501和近红外图像生成单元502。其中，获取单元501配置用于获取包含目标对象的可见光图像；近红外图像生成单元502配置用于将可见光图像输入至预先训练的近红外图像生成模型，得到包含目标对象的近红外图像，其中，近红外图像生成模型用于表征包含目标对象的可见光图像和包含目标对象的近红外图像之间的对应关系。
在本实施例中，获取单元501和近红外图像生成单元502的处理过程以及实现的效果可参照上述实施例中的步骤201和步骤202，在此不再赘述。
在本实施例的一些可选的实现方式中，上述近红外图像生成模型可以通过如下步骤训练得到：获取多个包含目标对象的可见光图像和多个包含目标对象的近红外图像；获取预先建立的生成对抗网络，其中，生成对抗网络包括生成网络和判别网络，生成网络用于表征包含目标对象的可见光图像和包含目标对象的近红外图像之间的对应关系，判别网络用于确定所输入的图像是生成的近红外图像还是真实的近红外图像；基于多个包含目标对象的可见光图像和多个包含目标对象的近红外图像，利用机器学习方法，对生成网络和判别网络进行训练，将训练后的生成网络确定为近红外图像生成模型。
在本实施例的一些可选的实现方式中，基于多个包含目标对象的可见光图像和多个包含目标对象的近红外图像，利用机器学习方法，对生成网络和判别网络进行训练，将训练后的生成网络确定为近红外图像生成模型，可以包括：对于多个包含目标对象的可见光图像中的包含目标对象的可见光图像，固定生成网络的参数，将该包含目标对象的可见光图像作为生成网络的输入，将生成网络输出的图像作为判别网络的输入，得到与该包含目标对象的可见光图像对应的判别结果；基于所得到的判别结果与负样本标识之间的差异，利用机器学习方法对判别网络进行训练，其中，负样本标识用于表征判别网络的输入图像为生成的近红外图像。
在本实施例的一些可选的实现方式中，基于多个包含目标对象的可见光图像和多个包含目标对象的近红外图像，利用机器学习方法，对生成网络和判别网络进行训练，将训练后的生成网络确定为近红外图像生成模型，还可以包括：对于多个包含目标对象的近红外图像中的包含目标对象的近红外图像，将该包含目标对象的近红外图像作为判别网络的输入，得到与该包含目标对象的近红外图像对应的判别结果；基于所得到的判别结果和正样本标识之间的差异，利用机器学习方法对判别网络进行训练，其中，正样本标识用于表征判别网络的输入图像为真实的近红外图像。
在本实施例的一些可选的实现方式中，基于多个包含目标对象的可见光图像和多个包含目标对象的近红外图像，利用机器学习方法，对生成网络和判别网络进行训练，将训练后的生成网络确定为近红外图像生成模型，还可以包括：获取预先建立的初始分类模型，其中，初始分类模型用于对输入的近红外图像进行分类；对于多个包含目标对象的可见光图像中的包含目标对象的可见光图像，将该包含目标对象的可见光图像输入生成网络，将生成网络输出的图像输入初始分类模型，得到该包含目标对象的可见光图像对应的分类结果；基于所得到的分类结果与类别标注之间的差异，对生成网络和初始分类模型进行训练，其中，类别标注用于表征包含目标对象的可见光图像中的目标对象的类别。
在本实施中，获取单元501获取包含目标对象的可见光图像，输入近红外图像生成单元502将获取的图像输入至近红外图像生成模型。实现了将可见光图像转化为近红外图像。
下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(cpu)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、近红外图像生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取包含目标对象的可见光图像的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备获取包含目标对象的可见光图像；将可见光图像输入至预先训练的近红外图像生成模型，得到包含目标对象的近红外图像，其中，近红外图像生成模型用于表征包含目标对象的可见光图像和包含目标对象的近红外图像之间的对应关系。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。